[論文レビュー] Deep Learning for Time Series Anomaly Detection: A Survey

Zahra Zamanzadeh Darban, Geoffrey I. Webb+3 more|arXiv (Cornell University)|Nov 9, 2022

Anomaly Detection Techniques and Applications参考文献 182被引用数 74

ひとこと要約

この調査は、深層学習手法による時系列データの異常検知の包括的な分類法と最先端の概要を提供し、予測ベース、再構成ベース、ハイブリッドベースのアプローチ、データセット、および評価実践を比較する。

ABSTRACT

Time series anomaly detection has applications in a wide range of research fields and applications, including manufacturing and healthcare. The presence of anomalies can indicate novel or unexpected events, such as production faults, system defects, or heart fluttering, and is therefore of particular interest. The large size and complex patterns of time series have led researchers to develop specialised deep learning models for detecting anomalous patterns. This survey focuses on providing structured and comprehensive state-of-the-art time series anomaly detection models through the use of deep learning. It providing a taxonomy based on the factors that divide anomaly detection models into different categories. Aside from describing the basic anomaly detection technique for each category, the advantages and limitations are also discussed. Furthermore, this study includes examples of deep anomaly detection in time series across various application domains in recent years. It finally summarises open issues in research and challenges faced while adopting deep anomaly detection models.

研究の動機と目的

• 時系列データの深層異常検知モデルの新たな分類法を提案し、予測ベース、再構成ベース、ハイブリッドのカテゴリに分類する。
• 一変量および多変量時系列の異常検知に用いられる最新のモデル、アーキテクチャ、学習スキームをレビューする。
• この分野で用いられる主要なベンチマーク、データセット、および実践的な評価プロトコルを特定する。
• 時系列の異常タイプの異なる基本原理を論じ、課題と今後の研究課題の方向性を強調する。

提案手法

• 深層時系列異常検知モデルを予測ベース、再構成ベース、ハイブリッドのカテゴリに分類する。
• 主なアーキテクチャ（例：RNN、LSTM、CNN、GNN、GAN、VAE、Transformer）と入力タイプ（一次元 vs 多変量）でモデルをさらに細分類する。
• 学習スキーム（教師あり、教師なし、半教師あり、自己教師あり）と異常スコアがどのように導出されるか（予測誤差、再構成確率）を説明する。
• 入力処理（点データ vs サブシーケンス、スライディングウィンドウ）と出力形態（異常スコア vs バイナリラベル）を説明する。
• 解釈可能性の指標と評価プロトコルを議論し、閾値設定戦略やポイント調整の考慮事項を含める。
• 公開利用可能なデータセットを要約し、構造化された比較フレームワークを提供する（ソースの Tables 1 & 2）。

実験結果

リサーチクエスチョン

• RQ1 時系列異常検知の深層学習モデルの包括的な分類法とそれらのアーキテクチャ特性は何か？
• RQ2 深層時系列異常検知手法を評価するための主なデータセットとベンチマークは何か？
• RQ3 時系列データで異常を決定するために用いられる評価プロトコルと閾値は何か、解釈性の考慮は実践にどう影響するか？
• RQ4 時系列データに深層異常検知を適用する際に存在するオープンな課題・挑戦・今後の方向性は何か？

主な発見

• 新たな分類法が提案され、モデルを予測ベース、再構成ベース、ハイブリッドアプローチに分割し、ニューラルアーキテクチャ別のサブカテゴリを設ける。
• 一変量および多変量時系列にまたがる最先端モデルとアーキテクチャ（例：RNN、LSTM、CNN、GNN、GAN、VAE、Transformer）の包括的なレビューが提供されている。
• 本調査は主要なベンチマークとデータセットを収集し、研究者がよく使用するソースとハイパーリンクを詳述している。
• 本論文は学習スキーム（教師あり、教師なし、半教師あり、自己教師あり）と異常スコアが通常どのように予測誤差や再構成確率から導出されるかを論じている。
• 点調整（PA）や PA%K プロトコルなどの評価実践が議論され、厳密な評価なしに F1 スコアに生じうるバイアスを強調している。
• 時系列データに対する深層異常検知の採用における未解決の問題と課題が特定され、今後の研究の方向性を概説している。